TED2011
Deb Roy: The birth of a word
ديب روي: ميلاد كلمة
Filmed:
Readability: 4.2
2,809,941 views
أراد ديب روي - الباحث في معهد ماساتشوستس للتكنولوجيا MIT- فهم كيف يتعلم طفله اللغة-- فقام بتوصيل منزله بكاميرات فيديو ليلتقط كل لحظه (مع بعض الاستثناءات) من حياة ابنه، ثم قام بتحليل 90.000 ساعة من الفيديوهات المصورة في المنزل لمشاهدة لفظ "جااااا" يتحول تدريجيا الى "ماء". بحث ملئ بمعلومات ذات آثار عميقه على كيفيه اكتسابنا المعرفة.
Deb Roy - Cognitive scientist
Deb Roy studies how children learn language, and designs machines that learn to communicate in human-like ways. On sabbatical from MIT Media Lab, he's working with the AI company Bluefin Labs. Full bio
Deb Roy studies how children learn language, and designs machines that learn to communicate in human-like ways. On sabbatical from MIT Media Lab, he's working with the AI company Bluefin Labs. Full bio
Double-click the English transcript below to play the video.
00:15
Imagine if you could record your life --
0
0
4000
تخيل اذا تمكنت من تسجيل حياتك- -
00:19
everything you said, everything you did,
1
4000
3000
كل ما قلته، و كل ما فعلته
00:22
available in a perfect memory store at your fingertips,
2
7000
3000
محفوظ في ذاكره مثاليه مخزنه و رهن اشارتك،
00:25
so you could go back
3
10000
2000
فيمكنك العوده بالزمن للوراء
00:27
and find memorable moments and relive them,
4
12000
3000
لتجد لحظات لا تنسى، و تعيد استرجاعها،
00:30
or sift through traces of time
5
15000
3000
وتغربل خلال آثار من الزمن
00:33
and discover patterns in your own life
6
18000
2000
و تكتشف أنماط في حياتك الخاصة
00:35
that previously had gone undiscovered.
7
20000
3000
التي لم تكتشفها من قبل.
00:38
Well that's exactly the journey
8
23000
2000
حسنا، هذه بالضبط الرحلة
00:40
that my family began
9
25000
2000
التي بدأتها عائلتي
00:42
five and a half years ago.
10
27000
2000
منذ خمس سنوات و نصف.
00:44
This is my wife and collaborator, Rupal.
11
29000
3000
هذه زوجتي و المتعاونه معي، روبال.
00:47
And on this day, at this moment,
12
32000
2000
و في هذا اليوم، في هذه اللحظة،
00:49
we walked into the house with our first child,
13
34000
2000
دخلنا الى المنزل حاملين طفلنا الأول،
00:51
our beautiful baby boy.
14
36000
2000
طفلنا الرضيع الجميل.
00:53
And we walked into a house
15
38000
3000
و دخلنا الى منزل
00:56
with a very special home video recording system.
16
41000
4000
يملك نظام خاص جدا لتسجيل الفيديوهات المنزلية
01:07
(Video) Man: Okay.
17
52000
2000
(فيديو) رجل: حسنا.
01:10
Deb Roy: This moment
18
55000
1000
ديب روي: هذه اللحظة
01:11
and thousands of other moments special for us
19
56000
3000
و الاف اللحظات الأخرى الخاصة لدينا،
01:14
were captured in our home
20
59000
2000
التقطت في منزلنا
01:16
because in every room in the house,
21
61000
2000
لأنه في كل غرفة في منزلنا،
01:18
if you looked up, you'd see a camera and a microphone,
22
63000
3000
اذا نظرت للأعلى، سترى كاميرا و مايكرفون،
01:21
and if you looked down,
23
66000
2000
و اذا نظرت الى الأسفل،
01:23
you'd get this bird's-eye view of the room.
24
68000
2000
ستحصل على منظور علوي للغرفه.
01:25
Here's our living room,
25
70000
3000
هذه غرفة المعيشه خاصتنا،
01:28
the baby bedroom,
26
73000
3000
غرفة الطفل،
01:31
kitchen, dining room
27
76000
2000
المطبخ، غرفة الطعام
01:33
and the rest of the house.
28
78000
2000
و باقي أنحاء المنزل.
01:35
And all of these fed into a disc array
29
80000
3000
و كل هذه تخزن في قرص مصفوف
01:38
that was designed for a continuous capture.
30
83000
3000
و التي صممت للتسجيل المستمر.
01:41
So here we are flying through a day in our home
31
86000
3000
فها هنا نحن نمر سريعا على يوم في منزلنا
01:44
as we move from sunlit morning
32
89000
3000
حيث ننتقل من صباح مشرق
01:47
through incandescent evening
33
92000
2000
الى مساء متوهج
01:49
and, finally, lights out for the day.
34
94000
3000
و أخيرا، انطفاء الأضواء معلنة نهاية اليوم.
01:53
Over the course of three years,
35
98000
3000
خلال فترة ثلاث سنوات،
01:56
we recorded eight to 10 hours a day,
36
101000
2000
سجلنا نحو ثمان الى عشر ساعات،
01:58
amassing roughly a quarter-million hours
37
103000
3000
مما شكل ما يقارب ربع مليون ساعة
02:01
of multi-track audio and video.
38
106000
3000
و من مقاطع صوتيه و مرئية متعددة المسارات.
02:04
So you're looking at a piece of what is by far
39
109000
2000
فأنتم تنظرون الأن الى مقطع مما هو حتى الأن
02:06
the largest home video collection ever made.
40
111000
2000
أكبر مجموعه تسجيلات فيديو في التاريخ.
02:08
(Laughter)
41
113000
3000
(ضحك)
02:11
And what this data represents
42
116000
2000
و ما تمثله هذه البيانات
02:13
for our family at a personal level,
43
118000
4000
لأسرتنا على المستوى الشخصي،
02:17
the impact has already been immense,
44
122000
2000
كان له كبير الأثر،
02:19
and we're still learning its value.
45
124000
3000
و لازلنا نتعلم قيمته.
02:22
Countless moments
46
127000
2000
لحظات لا تعد
02:24
of unsolicited natural moments, not posed moments,
47
129000
3000
من اللحظات الطبيعية العفوية، لحظات غير مصطنعة،
02:27
are captured there,
48
132000
2000
التقطت هناك،
02:29
and we're starting to learn how to discover them and find them.
49
134000
3000
و لقد بدأنا نتعلم كيف نكتشفها و نجدها،
02:32
But there's also a scientific reason that drove this project,
50
137000
3000
و لكن هنالك أيضا سبب علمي كان الدافع وراء هذا المشروع،
02:35
which was to use this natural longitudinal data
51
140000
4000
و الذي كان استخدام كل هذه البيانات الطولية الطبيعية
02:39
to understand the process
52
144000
2000
لفهم العملية
02:41
of how a child learns language --
53
146000
2000
التي يتعلم بها الطفل اللغة- -
02:43
that child being my son.
54
148000
2000
و كون هذا الطفل ابني.
02:45
And so with many privacy provisions put in place
55
150000
4000
و هكذا و مع اتخاذ العديد من الاحتياطات لحفظ الخصوصية
02:49
to protect everyone who was recorded in the data,
56
154000
3000
لحماية كل من هو مسجل في هذه البيانات،
02:52
we made elements of the data available
57
157000
3000
جعلنا عناصر من البيانات متوفرة
02:55
to my trusted research team at MIT
58
160000
3000
لدى فريق البحث الأهل للثقة في MIT
02:58
so we could start teasing apart patterns
59
163000
3000
لكي نتمكن من استخراج أنماط
03:01
in this massive data set,
60
166000
3000
في هذه المجموعة الهائلة من البيانات،
03:04
trying to understand the influence of social environments
61
169000
3000
لمحاولة فهم تأثير البيئات الاجتماعية
03:07
on language acquisition.
62
172000
2000
في تعلم و إكتساب اللغة.
03:09
So we're looking here
63
174000
2000
فنحن نشاهد هنا
03:11
at one of the first things we started to do.
64
176000
2000
واحدة من أوائل الأشياء التي بدأنا بها.
03:13
This is my wife and I cooking breakfast in the kitchen,
65
178000
4000
هذه أنا و زوجتي نعد الافطار في المطبخ.
03:17
and as we move through space and through time,
66
182000
3000
و بينما ننتقل في المكان و الزمان،
03:20
a very everyday pattern of life in the kitchen.
67
185000
3000
نمط حياة تقليدي جدا في المطبخ.
03:23
In order to convert
68
188000
2000
من أجل تحويل
03:25
this opaque, 90,000 hours of video
69
190000
3000
هذه الصورة المعتمة من 90.000 ساعة من الفيديو
03:28
into something that we could start to see,
70
193000
2000
الى شئ يمكننا البدء في رؤيته،
03:30
we use motion analysis to pull out,
71
195000
2000
نعتمد على التحليل الحركي لاستخراج،
03:32
as we move through space and through time,
72
197000
2000
بينما نحن ننتقل في الوقت و الزمن،
03:34
what we call space-time worms.
73
199000
3000
ما نسميه ديدان المكان و الزمن.
03:37
And this has become part of our toolkit
74
202000
3000
و قد أصبح هذا جزء من دليلنا الإرشادي
03:40
for being able to look and see
75
205000
3000
لنتمكن من رؤية و ملاحظة
03:43
where the activities are in the data,
76
208000
2000
أماكن النشاط في البيانات
03:45
and with it, trace the pattern of, in particular,
77
210000
3000
و معها، تتبع نمطها، على وجه الخصوص،
03:48
where my son moved throughout the home,
78
213000
2000
عندما تنقل ابني في أرجاء المنزل،
03:50
so that we could focus our transcription efforts,
79
215000
3000
لكي نركز على جهودنا في مجال النسخ،
03:53
all of the speech environment around my son --
80
218000
3000
كل الأحاديث التي كونت البيئة المحيطة بابني--
03:56
all of the words that he heard from myself, my wife, our nanny,
81
221000
3000
كل الكلمات التي سمعها مني، من زوجتي، أو المربية،
03:59
and over time, the words he began to produce.
82
224000
3000
و على مرور الوقت، الكلمات التي بدأ يكونها.
04:02
So with that technology and that data
83
227000
3000
فاذن مع هذه التكنولوجيا، و هذه البيانات
04:05
and the ability to, with machine assistance,
84
230000
2000
و القدرة على نسخ الحديث
04:07
transcribe speech,
85
232000
2000
بمساعدة الالات،
04:09
we've now transcribed
86
234000
2000
تمكنا الآن من نسخ
04:11
well over seven million words of our home transcripts.
87
236000
3000
أكثر من سبعة ملايين كلمة من الحديث الدائر في المنزل.
04:14
And with that, let me take you now
88
239000
2000
و مع هذا، دعوني اخذكم معي الان
04:16
for a first tour into the data.
89
241000
3000
لجولة أولية في البيانات
04:19
So you've all, I'm sure,
90
244000
2000
فأنتم كلكم، أنا متأكد
04:21
seen time-lapse videos
91
246000
2000
شاهدتم مقاطع الفيديو بتقنية " الزمن الفاصل"
04:23
where a flower will blossom as you accelerate time.
92
248000
3000
حيث تزهر الزهرة عندما تزيد سرعة الزمن.
04:26
I'd like you to now experience
93
251000
2000
أحب أن تختبروا الان
04:28
the blossoming of a speech form.
94
253000
2000
ازهار شكل الكلام.
04:30
My son, soon after his first birthday,
95
255000
2000
كان ابني، مباشرة بعد عيد ميلاده الأول،
04:32
would say "gaga" to mean water.
96
257000
3000
يقول "جاجا" ليعني الماء
04:35
And over the course of the next half-year,
97
260000
3000
و على مر السنة التالية،
04:38
he slowly learned to approximate
98
263000
2000
تمكن ببطء من تقريب
04:40
the proper adult form, "water."
99
265000
3000
نطق الكلمة بالطريقة الصحيحة "ماء".
04:43
So we're going to cruise through half a year
100
268000
2000
فالان سوف نحلق في السنة الاولى
04:45
in about 40 seconds.
101
270000
2000
في فترة 40 ثانية.
04:47
No video here,
102
272000
2000
لا يوجد فيديو هنا،
04:49
so you can focus on the sound, the acoustics,
103
274000
3000
لكي تركزوا على الصوت، و الصوتيات،
04:52
of a new kind of trajectory:
104
277000
2000
لمسار من نوع جديد:
04:54
gaga to water.
105
279000
2000
من "جاجا" الى "ماء"
04:56
(Audio) Baby: Gagagagagaga
106
281000
12000
"تسجيل صوتي": طفل:جاجاجاجاجاجا
05:08
Gaga gaga gaga
107
293000
4000
جاجا جاجا جاجا
05:12
guga guga guga
108
297000
5000
جوجا جوجا جوجا
05:17
wada gaga gaga guga gaga
109
302000
5000
وادا جاجا جاجا جوجا جاجا
05:22
wader guga guga
110
307000
4000
وادى جوجا جوجا
05:26
water water water
111
311000
3000
ماء ماء ماء
05:29
water water water
112
314000
6000
ماء ماء ماء
05:35
water water
113
320000
4000
ماء ماء
05:39
water.
114
324000
2000
ماء
05:41
DR: He sure nailed it, didn't he.
115
326000
2000
ديب روي: لقد تمكن منها، أليس كذلك.
05:43
(Applause)
116
328000
7000
(تصفيق)
05:50
So he didn't just learn water.
117
335000
2000
فاذن هو لم يتعلم كيف ينطق "ماء".
05:52
Over the course of the 24 months,
118
337000
2000
ففي فترة 24 شهرا،
05:54
the first two years that we really focused on,
119
339000
3000
خلال السنتين الأوائل، والتي ركزنا عليهما
05:57
this is a map of every word he learned in chronological order.
120
342000
4000
هذه خارطة لكل كلمة تعلمها وفقا للتسلسل الزمني.
06:01
And because we have full transcripts,
121
346000
3000
و لأنه لدينا النص كاملا،
06:04
we've identified each of the 503 words
122
349000
2000
حددنا كل الكلمات ال 503
06:06
that he learned to produce by his second birthday.
123
351000
2000
و التي تعلم نطقها مع سنته الثانية.
06:08
He was an early talker.
124
353000
2000
لقد بدأ الكلام مبكرا.
06:10
And so we started to analyze why.
125
355000
3000
و عندما بدأنا نحلل السبب.
06:13
Why were certain words born before others?
126
358000
3000
لماذا ولدت كلمات قبل البعض الاخر؟
06:16
This is one of the first results
127
361000
2000
كانت هذه أولى النتائج
06:18
that came out of our study a little over a year ago
128
363000
2000
و التي نتجت من دراستنا قبل حوالي السنة.
06:20
that really surprised us.
129
365000
2000
و التي فاجأتنا فعلا.
06:22
The way to interpret this apparently simple graph
130
367000
3000
طريقة تفسير هذا التخطيط الذي يبدو سهلا
06:25
is, on the vertical is an indication
131
370000
2000
و الذي يشير عموديا
06:27
of how complex caregiver utterances are
132
372000
3000
الى مدى صعوبة نطق الكلام
06:30
based on the length of utterances.
133
375000
2000
و الذي يعتمد على طول الكلمة المنطوق بها.
06:32
And the [horizontal] axis is time.
134
377000
3000
و المحور العمودي هو الزمن.
06:35
And all of the data,
135
380000
2000
و كل البيانات،
06:37
we aligned based on the following idea:
136
382000
3000
نظمت تبعا للبيانات التالية:
06:40
Every time my son would learn a word,
137
385000
3000
كل مرة كان يتعلم كلمة،
06:43
we would trace back and look at all of the language he heard
138
388000
3000
كنا نسترجع كل العبارات التي كان قد سمعها
06:46
that contained that word.
139
391000
2000
التي تضمنت هذه الكلمة
06:48
And we would plot the relative length of the utterances.
140
393000
4000
و كنا نحسب الطول النسبي لتلك الألفاظ
06:52
And what we found was this curious phenomena,
141
397000
3000
و ما وجدناه كانت الظاهرة المثيره للاهتمام،
06:55
that caregiver speech would systematically dip to a minimum,
142
400000
3000
بأن لغة الراعي كانت تتنازل الى الحد الأدنى،
06:58
making language as simple as possible,
143
403000
3000
مما جعل اللغة أبسط ما يكون،
07:01
and then slowly ascend back up in complexity.
144
406000
3000
و ثم تتصاعد تدريجيا الى الصعوبة مجددا.
07:04
And the amazing thing was
145
409000
2000
و الشئ المدهش كان
07:06
that bounce, that dip,
146
411000
2000
هذه النقلة، هذا الانحدار،
07:08
lined up almost precisely
147
413000
2000
توافق بدقة
07:10
with when each word was born --
148
415000
2000
انه و عند ولادة كل كلمة--
07:12
word after word, systematically.
149
417000
2000
كلمة بعد كلمة ، و بطريقة منظمة.
07:14
So it appears that all three primary caregivers --
150
419000
2000
مما يدل أن الثلاث رعاة الأساسيين--
07:16
myself, my wife and our nanny --
151
421000
3000
أنا، زوجتي و المربية--
07:19
were systematically and, I would think, subconsciously
152
424000
3000
كنا بانتظام ، و اعتقد، باطنيا
07:22
restructuring our language
153
427000
2000
نحد من لغتنا
07:24
to meet him at the birth of a word
154
429000
3000
لنتقابل معه عند ولادة كل كلمة من كلماته
07:27
and bring him gently into more complex language.
155
432000
4000
و نأخذه برفق الى لغة أكثر تعقيدا.
07:31
And the implications of this -- there are many,
156
436000
2000
و اثار هذا-- كثيرة!
07:33
but one I just want to point out,
157
438000
2000
و لكن احداها و أحب أن أوضحها،
07:35
is that there must be amazing feedback loops.
158
440000
3000
انه هناك العديد من حلقات التغذية الإرتجاعية المذهلة.
07:38
Of course, my son is learning
159
443000
2000
بالطبع، ابني يتعلم
07:40
from his linguistic environment,
160
445000
2000
من بيئته اللغوية،
07:42
but the environment is learning from him.
161
447000
3000
و لكن هذه البيئة تتعلم منه أيضا
07:45
That environment, people, are in these tight feedback loops
162
450000
3000
هذه البيئة، أيها الجمهور، هي في حلقات الرد الضيقة
07:48
and creating a kind of scaffolding
163
453000
2000
و التي تكون نوعا من السقالة
07:50
that has not been noticed until now.
164
455000
3000
و التي لم تكن ملحوظة قبل هذا.
07:54
But that's looking at the speech context.
165
459000
2000
و لكن هذا بالنظر الى محتوى الكلام.
07:56
What about the visual context?
166
461000
2000
ماذا عن المحتوى البصري؟
07:58
We're not looking at --
167
463000
2000
نحن ننظر الى--
08:00
think of this as a dollhouse cutaway of our house.
168
465000
2000
تخيلوا و كأنه مجسم دمى لمنزلنا.
08:02
We've taken those circular fish-eye lens cameras,
169
467000
3000
أخذنا هذه الكاميرات ذات أعين السمكة الدائرية،
08:05
and we've done some optical correction,
170
470000
2000
و أضفنا بعض التعديلات البصرية،
08:07
and then we can bring it into three-dimensional life.
171
472000
4000
و عندها نستطيع اظهاره على شكل ثلاثي الأبعاد.
08:11
So welcome to my home.
172
476000
2000
فمرحبا بكم فب منزلي.
08:13
This is a moment,
173
478000
2000
هذه هي اللحظة ،
08:15
one moment captured across multiple cameras.
174
480000
3000
و التي التقطت من خلال عدة كاميرات.
08:18
The reason we did this is to create the ultimate memory machine,
175
483000
3000
و السبب وراء هذا هو تكوين ألة مطلقة للذاكرة،
08:21
where you can go back and interactively fly around
176
486000
3000
حيث يمكن العودة و التحليق في المكان
08:24
and then breathe video-life into this system.
177
489000
3000
ثم اعادة الحياة الى النظام.
08:27
What I'm going to do
178
492000
2000
ما سأقوم بفعله
08:29
is give you an accelerated view of 30 minutes,
179
494000
3000
أن أعطيكم منظور مسرع في 30 دقيقة،
08:32
again, of just life in the living room.
180
497000
2000
مجددا، من الحياة في غرفة المعيشة.
08:34
That's me and my son on the floor.
181
499000
3000
هذا أنا و ابنى على الأرض.
08:37
And there's video analytics
182
502000
2000
و هناك محللات للفيديو
08:39
that are tracking our movements.
183
504000
2000
تتابع حركتنا.
08:41
My son is leaving red ink. I am leaving green ink.
184
506000
3000
ابني يخلف حبرا أحمر، و أن أخلف حبرا أخضر.
08:44
We're now on the couch,
185
509000
2000
نحن الان على الأريكة،
08:46
looking out through the window at cars passing by.
186
511000
3000
ننظر الى خارح النافذه الى السيارات المتحركة.
08:49
And finally, my son playing in a walking toy by himself.
187
514000
3000
و أخبرا ابني يلعب بلعبة متحركة لوحده.
08:52
Now we freeze the action, 30 minutes,
188
517000
3000
و الان نجمّد الحركة، ثلاثين دقيقة،
08:55
we turn time into the vertical axis,
189
520000
2000
نحن نحول الزمن الى محور عمودي،
08:57
and we open up for a view
190
522000
2000
و ننتقل الى منظور
08:59
of these interaction traces we've just left behind.
191
524000
3000
و هذه الاثار التفاعلية التي تركناها خلفنا.
09:02
And we see these amazing structures --
192
527000
3000
و نرى هذه الاشكال المدهشة--
09:05
these little knots of two colors of thread
193
530000
3000
و هذه العقد الصغيرة، من لونين مختلفين
09:08
we call "social hot spots."
194
533000
2000
نسميها بالنقط الاجتماعية الساخنة
09:10
The spiral thread
195
535000
2000
الخيط الذي على شكل دوامة
09:12
we call a "solo hot spot."
196
537000
2000
نسميه نقطة ساخنة
09:14
And we think that these affect the way language is learned.
197
539000
3000
و نعتقد أنها تؤثر على طريقة تعلم الكلام.
09:17
What we'd like to do
198
542000
2000
ما نود أن نفعله
09:19
is start understanding
199
544000
2000
هو أن نفهم
09:21
the interaction between these patterns
200
546000
2000
التفاعل بين هذه الأنماط
09:23
and the language that my son is exposed to
201
548000
2000
و اللغة التي يتعرض لها ابني
09:25
to see if we can predict
202
550000
2000
لنرى اذا كان بامكاننا التنبؤ
09:27
how the structure of when words are heard
203
552000
2000
بكيفية تأثير هيكل الكلمات عند سماعها
09:29
affects when they're learned --
204
554000
2000
على تعلمها --
09:31
so in other words, the relationship
205
556000
2000
أو بمعنى اخر، العلاقة
09:33
between words and what they're about in the world.
206
558000
4000
بين الكلمات و معنى هذه الكلمات في الواقع.
09:37
So here's how we're approaching this.
207
562000
2000
فاذا هذه طريقة تعاملنا مع هذه المسألة
09:39
In this video,
208
564000
2000
في هذا الفيديو،
09:41
again, my son is being traced out.
209
566000
2000
مجددا، يجري تتبع أثر ابني
09:43
He's leaving red ink behind.
210
568000
2000
انه يخلف حبرا أحمر.
09:45
And there's our nanny by the door.
211
570000
2000
و هذه المربية عند الباب.
09:47
(Video) Nanny: You want water? (Baby: Aaaa.)
212
572000
3000
(فيديو) المربية: أتريد ماء؟ (الطفل:ااااااااا)
09:50
Nanny: All right. (Baby: Aaaa.)
213
575000
3000
المربية: حسنا. (الطفل: اااااا)
09:53
DR: She offers water,
214
578000
2000
ديب روي: تقدم المربية له الماء،
09:55
and off go the two worms
215
580000
2000
و ها هما الأثران يذهبان
09:57
over to the kitchen to get water.
216
582000
2000
الى المطبخ لاحضار الماء.
09:59
And what we've done is use the word "water"
217
584000
2000
و ما فعلناه أننا استعملنا كلمة "ماء"
10:01
to tag that moment, that bit of activity.
218
586000
2000
لنوسم هذه اللحظة، هذه اللحظة من النشاط.
10:03
And now we take the power of data
219
588000
2000
و الان نستعمل قوة البيانات
10:05
and take every time my son
220
590000
3000
و نأخذ كل مرة
10:08
ever heard the word water
221
593000
2000
سمع فيها ابني كلمة "ماء"
10:10
and the context he saw it in,
222
595000
2000
و محتوى الكلام الذي رأى فيها هذه الكلمة،
10:12
and we use it to penetrate through the video
223
597000
3000
و نستعملها للتغلغل داخل الفيديو
10:15
and find every activity trace
224
600000
3000
و نجد كل أثر على نشاط
10:18
that co-occurred with an instance of water.
225
603000
3000
والذي تزامن مع "الماء"
10:21
And what this data leaves in its wake
226
606000
2000
و الذي تخلفه هذه البيانات
10:23
is a landscape.
227
608000
2000
هو ما يشبه المنظر الطبيعي.
10:25
We call these wordscapes.
228
610000
2000
نسمي هذه مسطحات لغوية.
10:27
This is the wordscape for the word water,
229
612000
2000
هذا هو المسطح اللغوي لكلمة "ماء"،
10:29
and you can see most of the action is in the kitchen.
230
614000
2000
و تجدون أن أغلب النشاط موجود بالمطبخ.
10:31
That's where those big peaks are over to the left.
231
616000
3000
حيث هذه القمم الكبيرة على اليسار.
10:34
And just for contrast, we can do this with any word.
232
619000
3000
و على النقيض، نستطيع أن نفعل هذا مع أي كلمة.
10:37
We can take the word "bye"
233
622000
2000
نستطيع أن نأخذ كلمة " الى اللقاء"
10:39
as in "good bye."
234
624000
2000
أي "مع السلامة".
10:41
And we're now zoomed in over the entrance to the house.
235
626000
2000
و نرى أن التركيز انتقل الى مدخل المنزل.
10:43
And we look, and we find, as you would expect,
236
628000
3000
و نرى ، كلما يمكنكم أن تتوقعوا،
10:46
a contrast in the landscape
237
631000
2000
تباين في المسطح
10:48
where the word "bye" occurs much more in a structured way.
238
633000
3000
حيث كلمة "الى اللقاء" تنطق بطريقة أكثر تنظيما،
10:51
So we're using these structures
239
636000
2000
فنحن نستخدم هذه الأشكال
10:53
to start predicting
240
638000
2000
لنبدأ بالتنبؤ
10:55
the order of language acquisition,
241
640000
3000
ترتيب اكتساب اللغة،
10:58
and that's ongoing work now.
242
643000
2000
و هذا عمل مستمر الان
11:00
In my lab, which we're peering into now, at MIT --
243
645000
3000
في مختبري: و الذي نشاهده الان، في MIT--
11:03
this is at the media lab.
244
648000
2000
هذا هو في مختبر وسائط الإعلام.
11:05
This has become my favorite way
245
650000
2000
وقد أصبحت هذه طريقتي المفضلة
11:07
of videographing just about any space.
246
652000
2000
لتحليل الفيديو لأي فراغ.
11:09
Three of the key people in this project,
247
654000
2000
ثلاث من الأشخاص الأساسيين في هذا المشروع،
11:11
Philip DeCamp, Rony Kubat and Brandon Roy are pictured here.
248
656000
3000
فيليب دي كامب، روني كوبات، و براندون روي هم في الصورة الان
11:14
Philip has been a close collaborator
249
659000
2000
كان فيليب مشارك فاعل
11:16
on all the visualizations you're seeing.
250
661000
2000
، كل هذه التصورات التي تشاهدونها
11:18
And Michael Fleischman
251
663000
3000
و مايكل فليشمان
11:21
was another Ph.D. student in my lab
252
666000
2000
كان طالب دكتوراه اخر في مختبري
11:23
who worked with me on this home video analysis,
253
668000
3000
و الذي عمل معي في تحليل هذه الفيديوهات المنزليه
11:26
and he made the following observation:
254
671000
3000
، قد توصل الى هذه الملاحظه:
11:29
that "just the way that we're analyzing
255
674000
2000
آنه " الطريقه التي نحلل بها
11:31
how language connects to events
256
676000
3000
كيفيه اتصال اللغه بالآحداث
11:34
which provide common ground for language,
257
679000
2000
و التي تمثل عنصر مشتركا للغه،
11:36
that same idea we can take out of your home, Deb,
258
681000
4000
نفس هذه الفكره يمكن استخلاصها من منزلك، يا ديب،
11:40
and we can apply it to the world of public media."
259
685000
3000
، يمكننا آن نطبقه على عالم وسائل الاعلام العامة"
11:43
And so our effort took an unexpected turn.
260
688000
3000
، هكذا اتخذت جهودنا مسلكا آخر غير متوقع.
11:46
Think of mass media
261
691000
2000
فكر في وسائل الإعلام
11:48
as providing common ground
262
693000
2000
كموفر للأرضية المشتركه
11:50
and you have the recipe
263
695000
2000
و لديك آنت الوصفه
11:52
for taking this idea to a whole new place.
264
697000
3000
لاخذ هذه الفكره الى مستوى آخر.
11:55
We've started analyzing television content
265
700000
3000
بدأنا نحلل محتوى التلفزيون
11:58
using the same principles --
266
703000
2000
مستخدمين نفس المبادئ--
12:00
analyzing event structure of a TV signal --
267
705000
3000
حللنا بنية الحدث لإشارة تلفزيونية --
12:03
episodes of shows,
268
708000
2000
حلقات مسلسلات،
12:05
commercials,
269
710000
2000
إعلانات تجارية ،
12:07
all of the components that make up the event structure.
270
712000
3000
كل المكونات التي تكون بنية الحدث.
12:10
And we're now, with satellite dishes, pulling and analyzing
271
715000
3000
و نحن الآن، بوجود أطباق استقبال، نستقطب البيانات و نحللها
12:13
a good part of all the TV being watched in the United States.
272
718000
3000
جزء كبير من التلفاز الذي يشاهد في الولايات المتحدة.
12:16
And you don't have to now go and instrument living rooms with microphones
273
721000
3000
، لا يتوجب عليك اليوم توصيل غرف المعيشة بميكرفونات
12:19
to get people's conversations,
274
724000
2000
للحصول على الاحاديث التي تدور بين الناس،
12:21
you just tune into publicly available social media feeds.
275
726000
3000
ليس عليك سوى ان تعتمد على المعلومات المتوفرة من وسائط الاعلام الاجتماعي.
12:24
So we're pulling in
276
729000
2000
و هكذا استقطبنا
12:26
about three billion comments a month,
277
731000
2000
حوالي ثلاثة مليارات تعليق في الشهر.
12:28
and then the magic happens.
278
733000
2000
و بعدها يحدث السحر.
12:30
You have the event structure,
279
735000
2000
لديك بنية الحدث،
12:32
the common ground that the words are about,
280
737000
2000
الارضية المشتركة و التي تدور حولها الكلمات،
12:34
coming out of the television feeds;
281
739000
3000
تآتي من محتوى بث التلفاز.
12:37
you've got the conversations
282
742000
2000
فتحصل على النقاشات
12:39
that are about those topics;
283
744000
2000
، التي تدور حول هذه المواضيع.
12:41
and through semantic analysis --
284
746000
3000
و من خلال التحليل الدلالي--
12:44
and this is actually real data you're looking at
285
749000
2000
و هذه، في الحقيقة ، بيانات حقيقية التي تنظرون اليها
12:46
from our data processing --
286
751000
2000
من تحليلنا للبيانات--
12:48
each yellow line is showing a link being made
287
753000
3000
كل خط اصفر يظهر رابطا يكون
12:51
between a comment in the wild
288
756000
3000
بين تعليق في الفراغ
12:54
and a piece of event structure coming out of the television signal.
289
759000
3000
و جزء من بنية الحدث تاتي من اشارة التلفاز.
12:57
And the same idea now
290
762000
2000
و نفس هذه الفكرة الآن
12:59
can be built up.
291
764000
2000
يمكن انشائها
13:01
And we get this wordscape,
292
766000
2000
و نحصل على هذا ال"مسطح اللغوي"،
13:03
except now words are not assembled in my living room.
293
768000
3000
و الفرق ان الكلمات لا تجمع الآن في غرفة المعيشة.
13:06
Instead, the context, the common ground activities,
294
771000
4000
بالمقابل، المحتوى، الانشطة المشتركة،
13:10
are the content on television that's driving the conversations.
295
775000
3000
هي المحتوى في التلفاز الذي يحرك هذه المحادثات.
13:13
And what we're seeing here, these skyscrapers now,
296
778000
3000
و ناطحات السحاب هذه، التي نراها الآن،
13:16
are commentary
297
781000
2000
هي تعليقات
13:18
that are linked to content on television.
298
783000
2000
مربوطة بمحتوى التلفاز.
13:20
Same concept,
299
785000
2000
نفس الفكرة،
13:22
but looking at communication dynamics
300
787000
2000
و لكن بالنظر الى ديناميكية التواصل
13:24
in a very different sphere.
301
789000
2000
في محيط مختلف تماما.
13:26
And so fundamentally, rather than, for example,
302
791000
2000
، هكذا ، في الاساس، ، عوضا عن، على سبيل المثال،
13:28
measuring content based on how many people are watching,
303
793000
3000
قياس المحتوى معتمدا علي عدد المشاهدين،
13:31
this gives us the basic data
304
796000
2000
يعطينا هذا البيانات الرئيسية
13:33
for looking at engagement properties of content.
305
798000
3000
للنظر الى خصائص الارتباط والمشاركة للمحتوى.
13:36
And just like we can look at feedback cycles
306
801000
3000
و كما نستطيع ان ناخذ نظرة على تعليقات الدورات
13:39
and dynamics in a family,
307
804000
3000
و الديناميكية في العائلة ،
13:42
we can now open up the same concepts
308
807000
3000
نستطيع الآن آن نوسع نفس المفاهيم
13:45
and look at much larger groups of people.
309
810000
3000
و النظر الى مجموعات اكبر من الناس.
13:48
This is a subset of data from our database --
310
813000
3000
هذه مجموعة فرعية من البيانات من قاعدة بياناتنا
13:51
just 50,000 out of several million --
311
816000
3000
٥٠،٠٠٠ فقط من بضعة ملايين --
13:54
and the social graph that connects them
312
819000
2000
و الرسم البياني الذي يربطهم
13:56
through publicly available sources.
313
821000
3000
من خلال مصادر متوفرة بشكل عام.
13:59
And if you put them on one plain,
314
824000
2000
، ان وضعتهم في مسطح واحد،
14:01
a second plain is where the content lives.
315
826000
3000
، في مسطح آخر حيث يكون المحتوى
14:04
So we have the programs
316
829000
3000
فاذن لدينا البرامج
14:07
and the sporting events
317
832000
2000
و البرامج المساندة
14:09
and the commercials,
318
834000
2000
و الدعايات التجارية،
14:11
and all of the link structures that tie them together
319
836000
2000
، كل الروابط التي تربطهم سوية
14:13
make a content graph.
320
838000
2000
، التي تكون الرسم البياني للمحتوى.
14:15
And then the important third dimension.
321
840000
4000
و ايضا البعد الثالث المهم.
14:19
Each of the links that you're seeing rendered here
322
844000
2000
كل رابط من هذه الروابط التي ترونها المقدمة هنا
14:21
is an actual connection made
323
846000
2000
هي علاقة فعلية كونت
14:23
between something someone said
324
848000
3000
بين شئ قاله شخص
14:26
and a piece of content.
325
851000
2000
، بين قطعة من محتوى.
14:28
And there are, again, now tens of millions of these links
326
853000
3000
، الآن ، مجددا، لدينا عشرات الملايين من الروابط
14:31
that give us the connective tissue of social graphs
327
856000
3000
و الذي يعطينا النسيج الرابط الذي يربط البيان الاجتماعي
14:34
and how they relate to content.
328
859000
3000
و كيف يربطون بالمحتوى.
14:37
And we can now start to probe the structure
329
862000
2000
و الآن نستطيع آن نبدا ببحث البنية
14:39
in interesting ways.
330
864000
2000
بطرق مثيرة للاهتمام.
14:41
So if we, for example, trace the path
331
866000
3000
فاننا، على سبيل المثال ، تعقبنا المسار
14:44
of one piece of content
332
869000
2000
لجزء من المحتوى
14:46
that drives someone to comment on it,
333
871000
2000
، التي تدفع احدهم ليعلق عليها،
14:48
and then we follow where that comment goes,
334
873000
3000
و من ثم نتبع اين تذهب هذه التعليقات،
14:51
and then look at the entire social graph that becomes activated
335
876000
3000
، من ثم ننظر الى الرسم البياني الاجتماعي الذي نشط
14:54
and then trace back to see the relationship
336
879000
3000
ثم نتبعه لنرى العلاقة
14:57
between that social graph and content,
337
882000
2000
بين الرسم البياني الاجتماعي و المحتوى،
14:59
a very interesting structure becomes visible.
338
884000
2000
بنية مثيرة للاهتمام تبدا بالظهور.
15:01
We call this a co-viewing clique,
339
886000
2000
نسمي هذا زمرة مساعدة للنظر،
15:03
a virtual living room if you will.
340
888000
3000
غرفة معيشة إفتراضية اذا شئتم .
15:06
And there are fascinating dynamics at play.
341
891000
2000
، هناك ديناميكيات مثيرة للدهشة عند التشغيل .
15:08
It's not one way.
342
893000
2000
انها ليست احادية الاتجاه.
15:10
A piece of content, an event, causes someone to talk.
343
895000
3000
جزء من المحتوى، حدث، يدفع احدهم للكلام.
15:13
They talk to other people.
344
898000
2000
يتحدثون مع اناس آخرين
15:15
That drives tune-in behavior back into mass media,
345
900000
3000
و الذي يدفع بهذه السلوك المتلاحق في وسائل الاعلام
15:18
and you have these cycles
346
903000
2000
، تتكون لديك هذه الدورات
15:20
that drive the overall behavior.
347
905000
2000
و التي تدفع السلوك العام.
15:22
Another example -- very different --
348
907000
2000
مثال آخر-- مختلف جدا--
15:24
another actual person in our database --
349
909000
3000
شخص آخر في قاعدة بياناتنا--
15:27
and we're finding at least hundreds, if not thousands, of these.
350
912000
3000
، نحن نجد على الاقل مئات، ان لم يكن الآلاف من هذه.
15:30
We've given this person a name.
351
915000
2000
اعطينا هذا الشخص اسم.
15:32
This is a pro-amateur, or pro-am media critic
352
917000
3000
انه ناقد اعلامي ،مناصر للهواة وللذاتية
15:35
who has this high fan-out rate.
353
920000
3000
و الذي لديه معدل معين.
15:38
So a lot of people are following this person -- very influential --
354
923000
3000
فالكثير من الناس يتبعون هذا الشخص--مؤثر جدا--
15:41
and they have a propensity to talk about what's on TV.
355
926000
2000
و لديهم ميل للحديث عن ما يعرض على التلفاز.
15:43
So this person is a key link
356
928000
3000
فاذن هذا الشخص هو صلة وصل رئيسية
15:46
in connecting mass media and social media together.
357
931000
3000
لوصل وسائل الاعلام و الاعلام الاجتماعي مع بعض.
15:49
One last example from this data:
358
934000
3000
مثال اخير من هذه البيانات:
15:52
Sometimes it's actually a piece of content that is special.
359
937000
3000
احيانا يكون جزء من المحتوى هو المميز
15:55
So if we go and look at this piece of content,
360
940000
4000
فاذا رجعنا الى هذا الجزء من المحتوى،
15:59
President Obama's State of the Union address
361
944000
3000
كلمة الرئيس اوباما لحزب الاتحاد
16:02
from just a few weeks ago,
362
947000
2000
و الذي كان بضعة اسابيع مضت،
16:04
and look at what we find in this same data set,
363
949000
3000
و انظروا الى ما وجدناه في نفس مجموعة البيانات،
16:07
at the same scale,
364
952000
3000
و في نفس المقياس،
16:10
the engagement properties of this piece of content
365
955000
2000
خصائص الوصل لهذا الجزء من المحتوى
16:12
are truly remarkable.
366
957000
2000
لافتة للنظر حقا.
16:14
A nation exploding in conversation
367
959000
2000
أمة تنفجر في المحادثات
16:16
in real time
368
961000
2000
في الوقت الحقيقي
16:18
in response to what's on the broadcast.
369
963000
3000
ردا على ما يدور في البث.
16:21
And of course, through all of these lines
370
966000
2000
وبطبيعة الحال ، من خلال كل من هذه الخطوط
16:23
are flowing unstructured language.
371
968000
2000
تتدفق لغة غير منظمة.
16:25
We can X-ray
372
970000
2000
ويمكننا أن نفحص
16:27
and get a real-time pulse of a nation,
373
972000
2000
، نحصل على نبض حقيقي لكل الامة،
16:29
real-time sense
374
974000
2000
احساس حقيقي
16:31
of the social reactions in the different circuits in the social graph
375
976000
3000
من التفاعلات الاجتماعية في الدوائر المختلفة في الرسم البياني الاجتماعي
16:34
being activated by content.
376
979000
3000
و التي تنشط بالمحتوى.
16:37
So, to summarize, the idea is this:
377
982000
3000
فاذا، و للتلخيص، الفكرة هي:
16:40
As our world becomes increasingly instrumented
378
985000
3000
كلما زاد العالم من ناحية معدات
16:43
and we have the capabilities
379
988000
2000
و لدينا امكانيات
16:45
to collect and connect the dots
380
990000
2000
لنجمع و نصل النقاط
16:47
between what people are saying
381
992000
2000
بين ما يقوله الناس
16:49
and the context they're saying it in,
382
994000
2000
والسياق الذي يقولونه فيه،
16:51
what's emerging is an ability
383
996000
2000
ما سيظهر هو المقدرة
16:53
to see new social structures and dynamics
384
998000
3000
على رؤية بنيات ، محركات اجتماعية جديدة
16:56
that have previously not been seen.
385
1001000
2000
و التي لم ترى من قبل.
16:58
It's like building a microscope or telescope
386
1003000
2000
انه مثل صنع ميكروسكوب او تلسكوب
17:00
and revealing new structures
387
1005000
2000
و الكشف عن بنيات جديدة
17:02
about our own behavior around communication.
388
1007000
3000
حول سلوكنا حول التواصل.
17:05
And I think the implications here are profound,
389
1010000
3000
و اظن ان العقبات هنا كبيرة،
17:08
whether it's for science,
390
1013000
2000
سواء كان للعلوم
17:10
for commerce, for government,
391
1015000
2000
للتجارة، او الحكومة،
17:12
or perhaps most of all,
392
1017000
2000
او ربما اكثر من اي شئ،
17:14
for us as individuals.
393
1019000
3000
لنا كافراد
17:17
And so just to return to my son,
394
1022000
3000
و الان لنعود الى ابني،
17:20
when I was preparing this talk, he was looking over my shoulder,
395
1025000
3000
عندما كنت احضر لهذه المحاضرة ، كان ينظر من وراء كتفي،
17:23
and I showed him the clips I was going to show to you today,
396
1028000
2000
و اريته مقاطع الفيديو التي كنت ساريكم لها اليوم،
17:25
and I asked him for permission -- granted.
397
1030000
3000
و طلبت اذنه للنشر-- و وافق.
17:28
And then I went on to reflect,
398
1033000
2000
ثم واصلت بالشرح،
17:30
"Isn't it amazing,
399
1035000
3000
"آلن يكون رائعا،
17:33
this entire database, all these recordings,
400
1038000
3000
كل هذه البيانات، و التسجيلات ،
17:36
I'm going to hand off to you and to your sister" --
401
1041000
2000
سوف اسلمها لك و لاختك"،
17:38
who arrived two years later --
402
1043000
3000
، التي ولدت بعد سنتين.
17:41
"and you guys are going to be able to go back and re-experience moments
403
1046000
3000
"و ستتمكنون من العودة اليها، و تعيشون هذه اللحظات مجددا
17:44
that you could never, with your biological memory,
404
1049000
3000
، التي لن يمكنكم بذاكرتكم البيولوجية تذكرها،
17:47
possibly remember the way you can now?"
405
1052000
2000
كما يمكن ان تتذكروها الآن."
17:49
And he was quiet for a moment.
406
1054000
2000
و سكت لبرهة.
17:51
And I thought, "What am I thinking?
407
1056000
2000
، فكرت "ماذا دهاني؟
17:53
He's five years old. He's not going to understand this."
408
1058000
2000
انه في الخامسة من عمره، لن يتمكن من فهم هذا."
17:55
And just as I was having that thought, he looked up at me and said,
409
1060000
3000
، بينما راودتني هذه الفكرة، نظر الي و قال ،
17:58
"So that when I grow up,
410
1063000
2000
"اذا عندما اكبر،
18:00
I can show this to my kids?"
411
1065000
2000
استطيع ان اعرض هذا لابنائي؟"
18:02
And I thought, "Wow, this is powerful stuff."
412
1067000
3000
، فكرت:" يا الهي، ان هذا عميق فعلا."
18:05
So I want to leave you
413
1070000
2000
فاريد ان اترككم
18:07
with one last memorable moment
414
1072000
2000
بلحظة اخيرة
18:09
from our family.
415
1074000
3000
من عائلتنا
18:12
This is the first time our son
416
1077000
2000
هذه اول مرة قام بها ابني
18:14
took more than two steps at once --
417
1079000
2000
بخطو اكثر من خطوتين مرة واحدة--
18:16
captured on film.
418
1081000
2000
التقطت في فيلم.
18:18
And I really want you to focus on something
419
1083000
3000
و اريد بالفعل التركيز على شئ
18:21
as I take you through.
420
1086000
2000
بينما آخذكم خلاله.
18:23
It's a cluttered environment; it's natural life.
421
1088000
2000
انها بيئة عشوائية : حياة طبيعية.
18:25
My mother's in the kitchen, cooking,
422
1090000
2000
امي في المطبخ ، تطهو،
18:27
and, of all places, in the hallway,
423
1092000
2000
و من دون كل الاماكن، البهو،
18:29
I realize he's about to do it, about to take more than two steps.
424
1094000
3000
ادركت انه على وشك فعلها، على وشك ان يخطو اكثر من خطوتين.
18:32
And so you hear me encouraging him,
425
1097000
2000
و كما تسمعوني اشجعه،
18:34
realizing what's happening,
426
1099000
2000
مدركا ما كان يحدث،
18:36
and then the magic happens.
427
1101000
2000
ثم حدث السحر.
18:38
Listen very carefully.
428
1103000
2000
استمعوا جيدا
18:40
About three steps in,
429
1105000
2000
بعد خطوه ثلاث خطوات،
18:42
he realizes something magic is happening,
430
1107000
2000
يدركه هو ايضا ان شيئا ساحرا يحدث.
18:44
and the most amazing feedback loop of all kicks in,
431
1109000
3000
و اكثر ردود الفعل اثارة يحدث،
18:47
and he takes a breath in,
432
1112000
2000
و يشهق،
18:49
and he whispers "wow"
433
1114000
2000
، يهمس "يالهي"
18:51
and instinctively I echo back the same.
434
1116000
4000
و دون أن أشعر، رددت نفس الكلمة.
18:56
And so let's fly back in time
435
1121000
3000
فهيا نطير بالزمن الى الوراء
18:59
to that memorable moment.
436
1124000
2000
الى هذه اللحظة الفريدة.
19:05
(Video) DR: Hey.
437
1130000
2000
(فيديو} ديب روي: مرحبا
19:07
Come here.
438
1132000
2000
تعال الى هنا.
19:09
Can you do it?
439
1134000
3000
هل يمكنك فعلها؟
19:13
Oh, boy.
440
1138000
2000
يا الهي.
19:15
Can you do it?
441
1140000
3000
هل يمكنك فعلها؟
19:18
Baby: Yeah.
442
1143000
2000
الطفل: نعم.
19:20
DR: Ma, he's walking.
443
1145000
3000
ديب روي: آمي، انه يمشي.
19:24
(Laughter)
444
1149000
2000
(ضحك)
19:26
(Applause)
445
1151000
2000
(تصفيق)
19:28
DR: Thank you.
446
1153000
2000
ديب روي: شكرا لكم
19:30
(Applause)
447
1155000
15000
(تصفيق)
ABOUT THE SPEAKER
Deb Roy - Cognitive scientistDeb Roy studies how children learn language, and designs machines that learn to communicate in human-like ways. On sabbatical from MIT Media Lab, he's working with the AI company Bluefin Labs.
Why you should listen
Deb Roy directs the Cognitive Machines group at the MIT Media Lab, where he studies how children learn language, and designs machines that learn to communicate in human-like ways. To enable this work, he has pioneered new data-driven methods for analyzing and modeling human linguistic and social behavior. He has authored numerous scientific papers on artificial intelligence, cognitive modeling, human-machine interaction, data mining, and information visualization.
Deb Roy was the co-founder and serves as CEO of Bluefin Labs, a venture-backed technology company. Built upon deep machine learning principles developed in his research over the past 15 years, Bluefin has created a technology platform that analyzes social media commentary to measure real-time audience response to TV ads and shows.
Follow Deb Roy on Twitter>
Roy adds some relevant papers:
Deb Roy. (2009). New Horizons in the Study of Child Language Acquisition. Proceedings of Interspeech 2009. Brighton, England. bit.ly/fSP4Qh
Brandon C. Roy, Michael C. Frank and Deb Roy. (2009). Exploring word learning in a high-density longitudinal corpus. Proceedings of the 31st Annual Meeting of the Cognitive Science Society. Amsterdam, Netherlands. bit.ly/e1qxej
Plenty more papers on our research including technology and methodology can be found here, together with other research from my lab at MIT: bit.ly/h3paSQ
The work that I mentioned on relationships between television content and the social graph is being done at Bluefin Labs (www.bluefinlabs.com). Details of this work have not been published. The social structures we are finding (and that I highlighted in my TED talk) are indeed new. The social media communication channels that are leading to their formation did not even exist a few years ago, and Bluefin's technology platform for discovering these kinds of structures is the first of its kind. We'll certainly have more to say about all this as we continue to dig into this fascinating new kind of data, and as new social structures continue to evolve!
Deb Roy | Speaker | TED.com